❓200 Вопросов по Машинному обучению (Machine Learning) - Вопрос_177 (Часть_3)

🔠 Как Hessian-vector product представим в PyTorch ?

Hessian-vector product (hvp, произведение Гессиана на вектор): Произведение Гессиана на вектор представляет собой результат умножения Гессиана функции на вектор. В оптимизационных алгоритмах это используется для эффективного вычисления эффекта Гессиана на вектор без явного вычисления всей матрицы. В PyTorch для этого можно использовать функцию torch.autograd.grad в сочетании с операцией torch.matmul.

https://boosty.to/denoise_lab/donate - фишки кода, полезные фичи или просто если вы хотите поддержать наш канал.

#Jacobians #Hessians #hvp #vhp

❓200 Вопросов по Машинному обучению (Machine Learning) - Вопрос_177 (Часть_3)

🔠 Как Vector-Hessian product представим в PyTorch ?

Vector-Hessian product (vhp, произведение вектора на Гессиан): Векторное произведение на Гессиан - это обратная операция к hvp. Оно представляет собой умножение вектора на Гессиан функции. Аналогично hvp, vhp может использоваться для эффективного вычисления величин, связанных с Гессианом, без явного вычисления всей матрицы. В PyTorch для этого можно использовать функцию torch.autograd.grad в сочетании с операцией torch.matmul.

https://boosty.to/denoise_lab/donate - фишки кода, полезные фичи или просто если вы хотите поддержать наш канал.

#Jacobians #Hessians #hvp #vhp

❓200 Вопросов по Машинному обучению (Machine Learning) - Вопрос_178 (Часть_1)

🔠 Что такое околоконстантные признаки ?

Околоконстантные признаки - это признаки или характеристики, которые изменяются относительно постоянных значений, но остаются в пределах определенного диапазона или около определенного значения. Они могут служить для описания или классификации объектов, событий или явлений.

Околоконстантные признаки обычно используются в контексте анализа данных или машинного обучения. Они могут быть числовыми или категориальными, их значения могут изменяться в пределах определенного диапазона или принадлежать определенным классам.

#FeatureEngineering #DataAnalysis #MachineLearning
#NumericFeatures #CategoricalFeatures #DataClassification #DataDescription #DataPatterns #DataModelling

https://www.magicslides.app/tools/youtube-to-ppt конвертировать видео с YouTube в презентацию PowerPoint (PPT) теперь стало в разы легче. Просто вбиваем ссылку и получаем презентацию по видео.

❓200 Вопросов по Машинному обучению (Machine Learning) - Вопрос_179

🔠 Какие модели используются для прогнозирования временных рядов ? (Часть_1)

1. Авторегрессионная модель (AR): AR-модель предполагает, что значение временного ряда зависит от предыдущих значений этого же ряда. Она использует авторегрессионный коэффициент для предсказания будущих значений.

2. Скользящее среднее модель (MA): MA-модель предполагает, что значение временного ряда зависит от случайных ошибок предыдущих прогнозов. Она использует коэффициенты скользящего среднего для предсказания будущих значений.

https://boosty.to/denoise_lab/donate - фишки кода, полезные фичи или просто если вы хотите поддержать наш канал.

#time_series #AR_model #MA_model #autoregressive_model #moving_average_model #forecasting

❓200 Вопросов по Машинному обучению (Machine Learning) - Вопрос_178 (Часть_2)

🔠 Что такое околоконстантные признаки ?

Например, если рассматривать признак "возраст" у людей, то он может быть околоконстантным, если значения возраста находятся в пределах определенного диапазона (например, от 20 до 30 лет). Другой пример - цвет автомобиля, который может быть околоконстантным, если значения ограничены определенным набором цветов (например, красный, синий, зеленый).

Околоконстантные признаки могут быть полезными при анализе данных, поскольку они могут содержать информацию о сходстве или различии между объектами. Они могут использоваться для построения моделей или прогнозирования, а также для выявления закономерностей или паттернов в данных.

#FeatureEngineering #DataAnalysis #MachineLearning
#NumericFeatures #CategoricalFeatures #DataClassification #DataDescription #DataPatterns #DataModelling

Вот такое предупреждение вывалилось сегодня с коллаба. Хм... эра судов и раздрая по поводу AI набирает свои обороты. Учитывая тот факт что в Европе приняли резолюцию, регулирующую AI и обращение с персональными данными.

https://github.com/PAIR-code/facets - новый инструмент для визуализации, данных по вашему датасету, чем-то напоминает sweetviz. Для поверхностного и пристрелочного анализа сойдет, если надо по быстрому пробежаться по всем фичам.

❓200 Вопросов по Машинному обучению (Machine Learning) - Вопрос_179

🔠 Какие модели используются для прогнозирования временных рядов ? (Часть_2)

3. Авторегрессионная скользящая средняя модель (ARMA): ARMA-модель комбинирует свойства AR- и MA-моделей. Она учитывает как предыдущие значения временного ряда, так и случайные ошибки предыдущих прогнозов.

4. Авторегрессионная интегрированная скользящая средняя модель (ARIMA): ARIMA-модель является расширением ARMA-модели, включающим дополнительный компонент интегрирования. Она применяется для прогнозирования временных рядов с трендами и/или сезонностью.

https://boosty.to/denoise_lab/donate - фишки кода, полезные фичи или просто если вы хотите поддержать наш канал.

#time_series #AR_model #MA_model #autoregressive_model #moving_average_model #forecasting

❓200 Вопросов по Машинному обучению (Machine Learning) - Вопрос_179

🔠 Какие модели используются для прогнозирования временных рядов ? (Часть_3)

5. Сезонная ARIMA (SARIMA): SARIMA-модель расширяет ARIMA-модель, чтобы учесть сезонность в данных. Она применяется к временным рядам, которые имеют явно выраженные повторяющиеся сезонные паттерны.

https://boosty.to/denoise_lab/donate - фишки кода, полезные фичи или просто если вы хотите поддержать наш канал.

#time_series #AR_model #MA_model #autoregressive_model #moving_average_model #forecasting

CVE-2023-24055 KeePass 2.5x

https://github.com/alt3kx/CVE-2023-24055_PoC

https://consensus.app — академическая поисковая система.

Поиск надежной, проверенной информации и источник экспертных знаний. Ищет по академическим статьям, корпус для поиска — более 200 млн. документов.

https://scite.ai — работа с цитатами из публикаций. База научных статей пополняется ежедневно.

Сервис имеет доступ ко множеству полнотекстовых научных статей: издательства (Wiley, Cambridge University Press и т. д.), серверы препринтов (arXiv, bioRxiv и medRxiv) и т.п.

https://fig.io/ - полезная тулза, если вы часто пишете на bash

❓200 Вопросов по Машинному обучению (Machine Learning) - Вопрос_179

🔠 Какие модели используются для прогнозирования временных рядов ? (Часть_4)

7. Структурные временные ряды (Structural Time Series): Структурные временные ряды - это модели, которые учитывают различные компоненты временного ряда, такие как тренд, сезонность, цикличность, а также внешние факторы. Они могут быть полезны для прогнозирования временных рядов с долгосрочными трендами и сложными сезонными паттернами.

https://boosty.to/denoise_lab/donate - фишки кода, полезные фичи или просто если вы хотите поддержать наш канал.

#time_series #AR_model #MA_model #autoregressive_model #moving_average_model #forecasting

❓200 Вопросов по Машинному обучению (Machine Learning) - Вопрос_179

🔠 Какие модели используются для прогнозирования временных рядов ? (Часть_5)

8. Модели глубокого обучения (Deep Learning Models): Модели глубокого обучения, такие как рекуррентные нейронные сети (RNN) и сверточные нейронные сети (CNN), также могут быть использованы для прогнозирования временных рядов. Они способны улавливать сложные зависимости в данных и могут быть эффективными в случаях, когда у временного ряда есть нелинейные и динамические свойства.

https://boosty.to/denoise_lab/donate - фишки кода, полезные фичи или просто если вы хотите поддержать наш канал.

#time_series #AR_model #MA_model #autoregressive_model #moving_average_model #forecasting